TY - THES A1 - Steininger, Michael T1 - Deep Learning for Geospatial Environmental Regression T1 - Deep Learning für Regressionsmodelle mit georäumlichen Umweltdaten N2 - Environmental issues have emerged especially since humans burned fossil fuels, which led to air pollution and climate change that harm the environment. These issues’ substantial consequences evoked strong efforts towards assessing the state of our environment. Various environmental machine learning (ML) tasks aid these efforts. These tasks concern environmental data but are common ML tasks otherwise, i.e., datasets are split (training, validatition, test), hyperparameters are optimized on validation data, and test set metrics measure a model’s generalizability. This work focuses on the following environmental ML tasks: Regarding air pollution, land use regression (LUR) estimates air pollutant concentrations at locations where no measurements are available based on measured locations and each location’s land use (e.g., industry, streets). For LUR, this work uses data from London (modeled) and Zurich (measured). Concerning climate change, a common ML task is model output statistics (MOS), where a climate model’s output for a study area is altered to better fit Earth observations and provide more accurate climate data. This work uses the regional climate model (RCM) REMO and Earth observations from the E-OBS dataset for MOS. Another task regarding climate is grain size distribution interpolation where soil properties at locations without measurements are estimated based on the few measured locations. This can provide climate models with soil information, that is important for hydrology. For this task, data from Lower Franconia is used. Such environmental ML tasks commonly have a number of properties: (i) geospatiality, i.e., their data refers to locations relative to the Earth’s surface. (ii) The environmental variables to estimate or predict are usually continuous. (iii) Data can be imbalanced due to relatively rare extreme events (e.g., extreme precipitation). (iv) Multiple related potential target variables can be available per location, since measurement devices often contain different sensors. (v) Labels are spatially often only sparsely available since conducting measurements at all locations of interest is usually infeasible. These properties present challenges but also opportunities when designing ML methods for such tasks. In the past, environmental ML tasks have been tackled with conventional ML methods, such as linear regression or random forests (RFs). However, the field of ML has made tremendous leaps beyond these classic models through deep learning (DL). In DL, models use multiple layers of neurons, producing increasingly higher-level feature representations with growing layer depth. DL has made previously infeasible ML tasks feasible, improved the performance for many tasks in comparison to existing ML models significantly, and eliminated the need for manual feature engineering in some domains due to its ability to learn features from raw data. To harness these advantages for environmental domains it is promising to develop novel DL methods for environmental ML tasks. This thesis presents methods for dealing with special challenges and exploiting opportunities inherent to environmental ML tasks in conjunction with DL. To this end, the proposed methods explore the following techniques: (i) Convolutions as in convolutional neural networks (CNNs) to exploit reoccurring spatial patterns in geospatial data. (ii) Posing the problems as regression tasks to estimate the continuous variables. (iii) Density-based weighting to improve estimation performance for rare and extreme events. (iv) Multi-task learning to make use of multiple related target variables. (v) Semi–supervised learning to cope with label sparsity. Using these techniques, this thesis considers four research questions: (i) Can air pollution be estimated without manual feature engineering? This is answered positively by the introduction of the CNN-based LUR model MapLUR as well as the off-the-shelf LUR solution OpenLUR. (ii) Can colocated pollution data improve spatial air pollution models? Multi-task learning for LUR is developed for this, showing potential for improvements with colocated data. (iii) Can DL models improve the quality of climate model outputs? The proposed DL climate MOS architecture ConvMOS demonstrates this. Additionally, semi-supervised training of multilayer perceptrons (MLPs) for grain size distribution interpolation is presented, which can provide improved input data. (iv) Can DL models be taught to better estimate climate extremes? To this end, density-based weighting for imbalanced regression (DenseLoss) is proposed and applied to the DL architecture ConvMOS, improving climate extremes estimation. These methods show how especially DL techniques can be developed for environmental ML tasks with their special characteristics in mind. This allows for better models than previously possible with conventional ML, leading to more accurate assessment and better understanding of the state of our environment. N2 - Umweltprobleme sind vor allem seit der Verbrennung fossiler Brennstoffe durch den Menschen entstanden. Dies hat zu Luftverschmutzung und Klimawandel geführt, was die Umwelt schädigt. Die schwerwiegenden Folgen dieser Probleme haben starke Bestrebungen ausgelöst, den Zustand unserer Umwelt zu untersuchen. Verschiedene Ansätze des maschinellen Lernens (ML) im Umweltbereich unterstützen diese Bestrebungen. Bei diesen Aufgaben handelt es sich um gewöhnliche ML-Aufgaben, z. B. werden die Datensätze aufgeteilt (Training, Validation, Test), Hyperparameter werden auf den Validierungsdaten optimiert, und die Metriken auf den Testdaten messen die Generalisierungsfähigkeit eines Modells, aber sie befassen sich mit Umweltdaten. Diese Arbeit konzentriert sich auf die folgenden Umwelt-ML-Aufgaben: In Bezug auf Luftverschmutzung schätzt Land Use Regression (LUR) die Luftschadstoffkonzentration an Orten, an denen keine Messungen verfügbar sind auf Basis von gemessenen Orten und der Landnutzung (z. B. Industrie, Straßen) der Orte. Für LUR werden in dieser Arbeit Daten aus London (modelliert) und Zürich (gemessen) verwendet. Im Zusammenhang mit dem Klimawandel ist eine häufige ML-Aufgabe Model Output Statistics (MOS), bei der die Ausgaben eines Klimamodells so angepasst werden, dass sie mit Erdbeobachtungen besser übereinstimmen. Dadurch werden genauere Klimadaten erzeugt. Diese Arbeit verwendet das regionale Klimamodell REMO und Erdbeobachtungen aus dem E-OBS-Datensatz für MOS. Eine weitere Aufgabe im Zusammenhang mit dem Klima ist die Interpolation von Korngrößenverteilungen. Hierbei werden Bodeneigenschaften an Orten ohne Messungen auf Basis von wenigen gemessenen Orten geschätzt, um Klimamodelle mit Bodeninformationen zu versorgen, die für die Hydrologie wichtig sind. Für diese Aufgabe werden in dieser Arbeit Bodenmessungen aus Unterfranken herangezogen. Solche Umwelt-ML-Aufgaben haben oft eine Reihe von Eigenschaften: (i) Georäumlichkeit, d. h. ihre Daten beziehen sich auf Standorte relativ zur Erdoberfläche. (ii) Die zu schätzenden oder vorherzusagenden Umweltvariablen sind normalerweise kontinuierlich. (iii) Daten können unbalanciert sein, was auf relativ seltene Extremereignisse (z. B. extreme Niederschläge) zurückzuführen ist. (iv) Pro Standort können mehrere verwandte potenzielle Zielvariablen verfügbar sein, da Messgeräte oft verschiedene Sensoren enthalten. (v) Zielwerte sind räumlich oft nur spärlich vorhanden, da die Durchführung von Messungen an allen gewünschten Orten in der Regel nicht möglich ist. Diese Eigenschaften stellen eine Herausforderung, aber auch eine Chance bei der Entwicklung von ML-Methoden für derlei Aufgaben dar. In der Vergangenheit wurden ML-Aufgaben im Umweltbereich mit konventionellen ML-Methoden angegangen, wie z. B. lineare Regression oder Random Forests (RFs). In den letzten Jahren hat der Bereich ML jedoch durch Deep Learning (DL) enorme Fortschritte über diese klassischen Modelle hinaus gemacht. Bei DL verwenden die Modelle mehrere Schichten von Neuronen, die mit zunehmender Schichtungstiefe immer abstraktere Merkmalsdarstellungen erzeugen. DL hat zuvor undurchführbare ML-Aufgaben realisierbar gemacht, die Leistung für viele Aufgaben im Vergleich zu bestehenden ML-Modellen erheblich verbessert und die Notwendigkeit für manuelles Feature-Engineering in einigen Bereichen aufgrund seiner Fähigkeit, Features aus Rohdaten zu lernen, eliminiert. Um diese Vorteile für ML-Aufgaben in der Umwelt nutzbar zu machen, ist es vielversprechend, geeignete DL-Methoden für diesen Bereich zu entwickeln. In dieser Arbeit werden Methoden zur Bewältigung der besonderen Herausforderungen und zur Nutzung der Möglichkeiten von Umwelt-ML-Aufgaben in Verbindung mit DL vorgestellt. Zu diesem Zweck werden in den vorgeschlagenen Methoden die folgenden Techniken untersucht: (i) Faltungen wie in Convolutional Neural Networks (CNNs), um wiederkehrende räumliche Muster in Geodaten zu nutzen. (ii) Probleme als Regressionsaufgaben stellen, um die kontinuierlichen Variablen zu schätzen. (iii) Dichtebasierte Gewichtung zur Verbesserung der Schätzungen bei seltenen und extremen Ereignissen. (iv) Multi-Task-Lernen, um mehrere verwandte Zielvariablen zu nutzen. (v) Halbüber- wachtes Lernen, um auch mit wenigen bekannten Zielwerten zurechtzukommen. Mithilfe dieser Techniken werden in der Arbeit vier Forschungsfragen untersucht: (i) Kann Luftverschmutzung ohne manuelles Feature Engineering geschätzt werden? Dies wird durch die Einführung des CNN-basierten LUR-Modells MapLUR sowie der automatisierten LUR–Lösung OpenLUR positiv beantwortet. (ii) Können kolokalisierte Verschmutzungsdaten räumliche Luftverschmutzungsmodelle verbessern? Hierfür wird Multi-Task-Learning für LUR entwickelt, das Potenzial für Verbesserungen mit kolokalisierten Daten zeigt. (iii) Können DL-Modelle die Qualität der Ausgaben von Klimamodellen verbessern? Die vorgeschlagene DL-MOS-Architektur ConvMOS demonstriert das. Zusätzlich wird halbüberwachtes Training von Multilayer Perceptrons (MLPs) für die Interpolation von Korngrößenverteilungen vorgestellt, das verbesserte Eingabedaten liefern kann. (iv) Kann man DL-Modellen beibringen, Klimaextreme besser abzuschätzen? Zu diesem Zweck wird eine dichtebasierte Gewichtung für unbalancierte Regression (DenseLoss) vorgeschlagen und auf die DL-Architektur ConvMOS angewendet, um die Schätzung von Klimaextremen zu verbessern. Diese Methoden zeigen, wie speziell DL-Techniken für Umwelt-ML-Aufgaben unter Berücksichtigung ihrer besonderen Eigenschaften entwickelt werden können. Dies ermöglicht bessere Modelle als konventionelles ML bisher erlaubt hat, was zu einer genaueren Bewertung und einem besseren Verständnis des Zustands unserer Umwelt führt. KW - Deep learning KW - Modellierung KW - Umwelt KW - Geospatial KW - Environmental KW - Regression KW - Neuronales Netz KW - Maschinelles Lernen KW - Geoinformationssystem Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-313121 ER - TY - THES A1 - Sieber, Jeannette T1 - Impacts of Extreme Hydro-Meteorological Events on Electricity Generation and Possible Adaptation Measures – A GIS-based Approach for Corporate Risk Management and Enhanced Climate Mitigation Concepts in Germany T1 - Einflüsse extremer hydro-meteorologischer Ereignisse auf Elektrizitätserzeugung und mögliche Anpassungsmaßnahmen – ein GIS-basierter Ansatz für ein betriebliches Umweltrisikomanagement und erweiterte Klimaschutzkonzepte in Deutschland N2 - This thesis on the “Impacts of extreme hydro-meteorological events on electricity generation and possible adaptation measures – a GIS-based approach for corporate risk management and enhanced climate mitigation concepts in Germany” presents an identification of hydro-meteorological extreme events in Germany and their effects on electricity generating units, i.e. on conventional thermal and nuclear power plants as well as on installations of the renewable energies of hydropower, wind energy and photovoltaic installations. In addition, adaptation measures and strategies are named that help power plant operators to prepare for a changing climate. Due to the different requirements of large facility operators and local planners and owners of renewable energies, the work contains the two approaches of corporate risk management and climate mitigation concepts. A changing climate not only consists of a shift in mean values of weather parameters such as global and regional air temperature and precipitation, but may also result in more frequent and more severe single events such as extreme precipitation, tornadoes and thunderstorms. In two case studies, these findings are implemented into an adjusted general risk management structure. This is enhanced by the use of Geographical Information Systems (GIS) to accomplish a localisation of events and infrastructure. The first example gives insight into the consequences of ice throw from wind turbines and how climate mitigation concepts can act as a framework for an adapted, sustainable energy planning. The second example on the other hand highlights a GIS-based flood risk management for thermal power plants and the benefits of an adjusted corporate risk management cycle. The described approach leads to an integrated management of extreme hydro-meteorological events at power plant site respectively district level by combining two cycles of site-related and local planning in addition to GIS-based analyses. This is demonstrated as an example by the comparison of two districts in Germany. The practical outcome is a comprehensive support for decision-making processes. N2 - Die vorliegende Arbeit zum Thema “Einflüsse extremer hydro-meteorologischer Ereignisse auf Elektrizitätserzeugung und mögliche Anpassungsmaßnahmen – ein GIS-basierter Ansatz für ein betriebliches Umweltrisikomanagement und erweiterte Klimaschutzkonzepte in Deutschland” identifiziert zunächst die relevanten hydro-meteorologischen Ereignisse und ihre Auswirkungen auf elektrizitätserzeugende Einheiten in Deutschland. Dies sind hier konventionelle thermische Kraftwerke und Kernkraftwerke sowie die Installationen der Erneuerbaren Energien Wasserkraft, Windenergie und Photovoltaik. Im Anschluss werden Anpassungsmaßnahmen und strategien aufgezeigt, die es den Betreibern von Kraftwerken ermöglichen, sich auf ein sich veränderndes Klima vorzubereiten. Durch die verschiedenen Voraussetzungen für Betreiber großer Anlagen und die Regionalplanung und Besitzer von Anlagen Erneuerbarer Energien werden zwei Ansätze verfolgt. Der eine Ansatz beinhaltet betriebliches Umweltrisikomanagement, der andere beleuchtet den Aspekt Anpassung als Erweiterung von Klimaschutzkonzepten. Der Klimawandel in diesem Sinne beinhaltet nicht nur die Veränderungen in Mittelwerten, wie zum Beispiel der regionalen und globalen Lufttemperaturen oder des Niederschlages, sondern auch ein verändertes Verhalten von extremen Einzelereignissen, wie häufigere und schwerere Extremniederschläge, Tornados und Gewitter. In zwei Fallbeispielen werden diese Ergebnisse in eine Risikomanagementstruktur eingebunden und durch die Verwendung von Geographischen Informationssystemen (GIS) lokalisiert und erweitert. Das erste Beispiel zeigt die Konsequenzen von Eiswurf von Windenergieanlagen und wie Klimaschutzkonzepte als Rahmen für eine angepasste, nachhaltige Energieplanung dienen können. Das zweite Beispiel hebt die Notwendigkeit von GIS-gestützten Hochwasserrisikoanalysen für thermische Kraftwerke und die Vorteile eines angepassten betrieblichen Umweltrisikomanagements hervor. Die beschriebene Vorgehensweise kombiniert zwei Managementzyklen. Dabei werden die standortspezifische Planung und Regionalplanung sowie GIS-basierte Analysen verknüpft. Dies wird am Beispiel zweier Landkreise verdeutlicht. Das Resultat ist ein umfassender Ansatz zur Unterstützung von Entscheidungsprozessen. KW - Deutschland KW - Klimaänderung KW - Geoinformationssystem KW - Elektrizitätserzeugung KW - Unwetter KW - Umweltgefährdung KW - Klimaschutz KW - Extremwetterereignisse KW - Klimaschutzkonzept KW - Landkreis KW - Risikoindex KW - Entscheidungsprozess KW - Wärmekraftwerk KW - Wetter KW - Energie KW - Klimaschutz KW - extreme weather event KW - adaptation KW - climate action plan KW - renewable energies KW - district Y1 - 2012 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-79000 ER - TY - THES A1 - Neuhäuser, Bettina T1 - Landslide Susceptibility and Climate Change Scenarios in Flysch Areas of the Eastern Alps T1 - GIS-basierte Rutschgefährdungsmodellierung unter Berücksichtigung von Klimaänderungsszenarien in Flysch-Gebieten des Wienerwaldes N2 - The topic of the present study focuses on landslide susceptibility assessment in the Northern Vienna Forest by GIS-based, statistic-probabilistic and deterministic modelling. The study is based on two complementary approaches for integrated landslide susceptibility assessment, which is not limited to one single methodology and its inherent assumptions. A statistic-probabilistic method is applied to the whole region of the Northern Vienna Forest. This regional model investigates the basic disposition for landslides under consideration of controlling factors, which are persistent and more or less constant over time. A deterministic method is applied on a larger scale in a sub-study site of the Hagenbach Valley. These detailed models aim to investigate the variable disposition as a function of substrate wetness, which is in turn dependent on meteorological conditions. A main aspect of the work is the development of various wetness scenarios, which consider short-term weather phenomena, like heavy or long-lasting rainfall, but which also investigate the influence of meteorological and climate conditions on slope stability, which may vary in mid-term and long-term. Furthermore, the assessment of the effects of climate change on the disposition for landslides is a major aspect of the study. Hence, average changes in air temperature and precipitation as predicted by Regional Climate Models are incorporated into modelling. In this context, it is tested whether changes in substrate wetness and thus in slope stability can be identified and quantified as a consequence of changed climate conditions. As further objective shallow slope movements are incorporated into disposition modelling. According to geomorphological and sedimentological studies, these quaternary sediments are essential for slope formation in the Vienna Forest. In general, it is assumed that landslides primarily occur in weathered flysch sandstones rich in marl. Field-based surveys, however, identified shallow landslide activity in the quaternary sediments covering the flysch bedrock in wide areas. Therefore, the influence of these sediments on slope dynamics is studied in the present work within GIS-based slope stability models. The results of the statistic-probabilistic landslide susceptibility assessment provide information on the basic disposition of the Northern Vienna Forest for landslides. The resulting regional susceptibility map reveals that the Northern Zone, a tectonic unit in the north of the study area, has extensive areas with the highest degree of landslide susceptibility. In this overthrust area in transition to the Molasse Zone there are geological units which are highly susceptible to landslides. The “Wolfpassing Formation” and the “Calcareous Klippen” of the Northern Zone show significant landslide densities. These geological zones start in the north near St. Andrä-Wördern and continue in south-western direction along the ridges of Tulbinger Kogel, Klosterberg, Frauenberg, and Eichberg. Statistical weighting carried out in the course of regional landslide susceptibility assessment provides information on the spatial relation between landslide processes and specific controlling factors. The modelling highlights the relevance of zones rich in clay within the flysch formations as controlling geofactor. The highest landslide susceptibility is calculated for the geological units, which contain layers of Gaultflysch rich in clay and shale. Furthermore, a close correlation between the distribution of landslides on the one hand and the spatial distribution of the fault system and nappe boundaries on the other hand is ascertained. Hence, the tectonic conditions can be seen as crucial controlling geofactor for landslide activity in the study area. In the proximity of drainage lines an increased landslide frequency is revealed. In combination with heavy rainfall, torrential discharge can occur in creeks and may cause instabilities in adjacent hillslopes. In addition, the model documents an enhancement of landslide susceptibility on north-west facing slopes. In comparison to meteorological data it is obvious that the north-west exposition corresponds to the prevailing wind direction of the study area. Therefore, north-west facing slopes might be exposed to enhanced advective rainfall amounts, which can increase substrate wetness and thus landslide susceptibility. The latter geofactors indicate the significance of meteorological and hydrological conditions for the occurrence of landslides in the study area. As described above, the regional assessment is based on controlling factors that are persistent over a long period of time and can therefore be considered as constant. On the contrary, the large-scale, physically based deterministic modelling investigates the disposition for landslides under variable humidity conditions in the substrate. In conclusion it can be stated that the disposition for slope instability is strongly varying in dependence of the humidity conditions in the substrate. A heavy rainfall event causes a drastic reduction of stable areas by 23% compared to monthly average wetness conditions in summer (July). In summary the wetness scenarios demonstrate, that apart from short-term weather conditions, like long-lasting or heavy rainfall, the long-term-development of substrate moisture has impact on slope stability. The more persistent, seasonally fluctuating wetness conditions show measureable influence on slope stability: As a consequence of increased topographic wetness in the winter month February there is an increase of instable areas by 5% in comparison with the summer month July. The modelling further revealed that quaternary sediments are more moisture sensitive and the influence of changing wetness conditions is stronger in these layers than in the bedrock. The results of modelling, which are based on climate change, indicate that a moderate change of slope stability on a monthly average is possible in comparison to the conditions of the climate normal period. An assumed average monthly temperature increase of 2°C in combination with a precipitation increase of 30% in the winter months lead to an augmentation of recharge of 7% in the model in comparison with the long-term average conditions. Due to this increased recharge, there is a slight increase of topographic wetness in the model. This wetness augmentation results in an extension of instable slope areas by 3% and a reduction of the stable slope areas proportional to this extension. This slightly increased instability reduces critical triggering thresholds for single rainfall events meaning that even lower precipitation amounts or intensities can cause instabilities. In contrast to the winter months, the incorporation of forecasted climate change into the modelling reveals a reduction of instable slope areas in favour of stable areas in the summer scenario. The forecasted average air temperature increase of 2.5°C in combination with a reduction of the average monthly precipitation amount of 15% drastically decreases substrate moisture. Consequently, instable slope areas are reduced by 11% of the study area. This effect on slope stability in the model mainly results from the reduced monthly rainfall amounts, but also from increased evapotranspiration as a consequence of the increased air temperature causing reduced recharge amounts. However, in spite of the monthly decrease of precipitation amounts, precipitation intensities are probable to rise according to climate studies. In this context the results of the modelling indicate, that a drastic, short-term increase of landslide disposition due to heavy rainfall events has to be expected more frequently in summer. The results of the complementary methods are then assembled. Based on this synthesis the following conclusion can be drawn: The regional landslide susceptibility assessment yields that hillslopes with an inclination of 26° to 31° are highly landslide prone. The physically based models indicate that in this slope gradient range the presence of quaternary sediments is of major importance for landslides. Therefore, it can be concluded that a considerable portion of known landslides mapped in flysch actually occurred in quaternary sediments. N2 - Das Thema der vorliegenden Arbeit umfasst die Beurteilung der Hangrutschungsgefährdung im nördlichen Wienerwald mit Hilfe von GIS-basierten, deterministischen und statistisch-probabilistischen Modellierungen. Für eine integrierte Beurteilung der Rutschanfälligkeit, welche nicht auf einen einzigen methodischen Ansatz und dessen inhärente Annahmen beschränkt ist, werden in dieser Arbeit zwei komplementäre Methoden durchgeführt. Die statistisch-probabilistische Methode wird auf die gesamte Region des nördlichen Wienerwalds angewandt. Dieses regionale Modell untersucht die Grunddisposition zur Entstehung von Rutschungen unter Berücksichtigung von Steuerungsfaktoren, die über einen längeren Zeitraum hinweg als konstant angesehen werden können. Die deterministische Methode wird in einem Detailgebiet im Hagenbachtal angewandt. Diese Detailmodellierungen zielen darauf ab, die variable Disposition für Rutschungen in Abhängigkeit von Substratfeuchte zu unter-suchen, die wiederum von meteorologischen Bedingungen abhängig ist. Ein Hauptaspekt der Arbeit ist dabei die Entwicklung von Feuchteszenarien, die sowohl kurzfristige Witterungsphänomene, wie langanhaltenden Niederschlag oder Starkregen, berücksichtigen, die aber auch den Einfluss von mittelfristig bis langfristig veränderlichen meteorologischen und klimatischen Faktoren auf die Hangstabilität untersuchen. Weiters ist die Abschätzung der Folgen der prognostizierten Klimaänderung auf die Rutschdisposition ein zentraler Aspekt der Arbeit. Dabei werden durchschnittliche monatliche Veränderungen der Lufttemperatur und des Niederschlages in den Modellierungen berück-sichtigt, wie sie durch Regionale Klimamodelle vorhergesagt werden. Hierbei soll geprüft werden, inwieweit Änderungen in der Substratfeuchte und der Hangstabilität als Folge von veränderten Klimabedingungen feststellbar und quantifizierbar sind. Ein weiteres Ziel ist die Berücksichtigung von flachgründigen Rutschungen in quartären Sedimenten im Rahmen der Dispositions-modellierung. Auf Grundlage geomorpho-logischer und sedimentologischer Studien kann davon ausgegangen werden, dass diese entscheidend die Hangentwicklung im Wienerwald beeinflussen. Bisher wurde allgemein davon ausgegangen, dass Rutschungen vor allem in den mergelreichen, verwitterten Sandsteinen des Flyschs entstehen. Gelände-basierte Untersuchungen identifizieren allerdings häufig Rutschungen in den quartären Deckschichten, welche weite Bereiche des Anstehenden überlagern. In der vorliegenden Arbeit wird daher der Einfluss dieser Sedimente auf die Hangdynamik innerhalb der GIS-basierten Stabilitätsmodelle untersucht. Die Ergebnisse der statistisch-probabilistischen Modellierung liefern Informationen über die Grunddisposition zur Rutschungsaktivität im nördlichen Wienerwald. Die resultierende Rutschanfälligkeitskarte zeigt, dass die Nordrandzone, eine tektonische Einheit im Norden des Untersuchungsgebietes, die ausgedehntesten Gebiete mit der höchsten Rutschanfälligkeit aufweist. In diesem Überschiebungsbereich zur Molassezone treten geologische Einheiten auf, die dem Modell zufolge als sehr rutschanfällig eingestuft werden. Die „Wolfpassing Formation“ und die „Kalkigen Klippen“ der Nordrandzone zeigen eine signifikant erhöhte Dichte an Rutschungen. Diese geologischen Einheiten beginnen im Norden in der Nähe von St. Andrä-Wördern und verlaufen weiter in Richtung Süd-Westen entlang der Bergrücken von Tulbinger Kogel, Klosterberg, Frauenberg und Eichberg. Die statistische Gewichtung, die im Zuge der regionalen Bewertung der Rutschanfälligkeit durchgeführt wird, liefert Informationen über den räumlichen Zusammenhang zwischen Rutschungen und den Steuerungsfaktoren. Die Modellierung hebt die Bedeutung von tonschieferreichen Schichten als Dispositions-faktor hervor. Die höchste Rutschanfälligkeit wird in den geologischen Einheiten berechnet, welche die tonschieferreichen Schichten des Gaultflysch enthalten. Darüber hinaus wird festgestellt, dass die Verbreitung von Rutschungen eng mit der räumlichen Verbreitung von Störungszonen und Deckengrenzen verbunden ist. Die tektonischen Bedingungen können daher als wesentlicher Steuerungsfaktor der Rutschungsaktivität im Untersuchungsgebiet angesehen werden. Eine erhöhte Häufigkeit von Massenbewegungen wird in unmittelbarer Nähe zum Gewässernetz festgestellt. In Verbindung mit starken Regenfällen kommt es im Untersuchungsgebiet zu wildbachähnlichen Abflüssen in den Gerinnen, wodurch in angrenzenden Hängen Instabilitäten auftreten können. Es wird ferner durch das Modell belegt, dass die Anfälligkeit für Rutschungen auf Nord-West exponierten Hängen erhöht ist. Der Vergleich mit meteorologischen Daten zeigt, dass die Nord-West-Hangexposition der dominierenden Windrichtung im Untersuchungsgebiet entspricht. Dadurch können entsprechend exponierte Hänge erhöhten advektiven Niederschlagsmengen ausgesetzt sein, welche die Bodenfeuchte und folglich die Rutschanfälligkeit erhöhen. Letztere Geofaktoren zeigen die Bedeutung der meteorologischen und hydrologischen Bedingungen für das Auftreten von Rutschungen im Untersuchungsgebiet. Wie oben beschrieben basiert das regionale Bewertungsmodell auf Steuerungsfaktoren, die über längere Zeit hinweg gleichbleibend sind und daher als konstant angesehen werden können. Im Gegensatz dazu wir durch physikalisch-basierte, deterministische Modellierungen die Disposition für Rutschungen unter variablen Feuchtebedingungen im Substrat untersucht. Zusammenfassend ist festzustellen, dass die Disposition zur Hanginstabilität im Untersuchungsgebiet stark in Abhängigkeit von der Substratfeuchte variiert. Ein Starkregen von 60mm/h kann eine Reduzierung der stabilen Bereiche um 23% im Vergleich zu durchschnittlichen monatlichen Feuchte-bedingungen im Sommer (Juli) verursachen. Insgesamt zeigen die Feuchteszenarien, dass neben kurzfristigen Witterungserscheinungen, wie langanhaltendem Niederschlag oder Starkregen, auch langfristige Feuchte-bedingungen im Substrat die Hangstabilität beeinflussen. So zeigen saisonal schwankende Feuchtebedingungen leichten aber messbaren Einfluss auf die Hangstabilität: Als Folge der erhöhten topographischen Feuchte im Wintermonat Februar ergibt sich eine Zunahme der instabilen Bereiche um 5% gegenüber dem Sommermonat Juli. Die Feuchteszenarien zeigen außerdem, dass die quartären Sedimente empfindlicher auf die wechselnden Feuchte-bedingungen reagieren, als das Flyschgestein. Die Ergebnisse der Modellierung, die auf prognostizierter Klimaänderung basiert, deuten darauf hin, dass eine moderate Änderung der Hangstabilität im Monatsdurchschnitt im Vergleich zu den Bedingungen in der Klimanormalperiode möglich ist. Eine angenommene durchschnittliche Erhöhung der Lufttemperatur um 2°C in Kombination mit einer um 30% erhöhten Niederschlagsmenge in den Wintermonaten führt im Modell zu einer Erhöhung des Grundwasserzuflusses um 7% gegenüber dem langjährigen Durchschnitt. Durch diesen erhöhten Zufluss zeigt sich im Modellvergleich eine leicht erhöhte topographische Feuchte im Winter. Diese Feuchtigkeitszunahme führt dazu, dass sich stabile Hangbereiche um rund 3% verringern und sich instabile Hangbereiche um den gleichen Betrag ausweiten. Diese leicht erhöhte Instabilität kann dazu führen, dass bereits geringere Niederschlagsmengen bzw. Intensitäten einzelner Regenereignisse eine Überschreitung der Grenzwerte im Stabilitätsgleichgewicht verursachen. Im Sommer ist hingegen unter Berücksichtigung prognostizierter Klimaänderungen eine Verringerung instabiler zugunsten stabiler Hangbereiche festzustellen. Die berücksichtigte durchschnittliche Erhöhung der Lufttemperatur um 2,5°C hat in Kombination mit einem Rückgang der durchschnittlichen Niederschlagsmenge um 15% eine erhöhte Trockenheit im Substrat zur Folge. Folglich weiten sich stabile Bereiche um rund 11% der Fläche des Untersuchungsgebietes aus. Dieser Effekt ergibt sich im Modell durch eine geringere Niederschlagsmenge, aber auch durch erhöhte Evapotranspiration in Folge des Temperaturanstieges und des dadurch verringerten Zuflusses. Allerdings gilt künftig, trotz insgesamt verringerter monatlicher Niederschlagsmengen im Sommer, eine Zunahme der Niederschlagsintensitäten als wahrscheinlich. In diesem Zusammenhang lassen die Modellierungsergebnisse den Schluss zu, dass häufiger mit einer kurzfristig drastisch erhöhten Rutschanfälligkeit durch Starkregen im Sommer zu rechnen ist. Die Ergebnisse der komplementären Methoden, werden anschließend zusammengeführt. Aus dieser Synthese kann folgendes Fazit gezogen werden: Die regionale Modellierung der Suszeptibilität ergibt, dass Hänge mit einer Neigung von 26° bis 31° hoch rutschanfällig sind. Die physikalisch-basierten Modellierungen deuten darauf hin, dass in diesem Hangneigungsbereich das Vorkommen quartärer Sedimente für Rutschungen von besonderer Bedeutung ist. Daher kann der Schluss gezogen werden, dass ein erheblicher Teil der im Flysch kartierten Rutschungen eigentlich in quartären Sedimenten aufgetreten sind. KW - Wienerwald KW - Klimaänderung KW - Erdrutsch KW - Landslide Susceptibility KW - GIS-based Modelling KW - Climate Change KW - Natural Hazards KW - Vienna Forest KW - Rutschung KW - Geoinformationssystem Y1 - 2014 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-108582 ER - TY - THES A1 - Baumann, Sabine Christine T1 - Mapping, analysis, and interpretation of the glacier inventory data from Jotunheimen, South Norway, since the maximum of the 'Little Ice Age' T1 - Kartierung, Analyse und Interpretation der Gletscherinventardaten von Jotunheimen, Süd-Norwegen, seit dem Maximum der "Kleinen Eiszeit" N2 - Glacier outlines during the ‘Little Ice Age’ maximum in Jotunheimen were mapped by using remote sensing techniques (vertical aerial photos and satellite imagery), glacier outlines from the 1980s and 2003, a digital terrain model (DTM), geomorphological maps of individual glaciers, and field-GPS measurements. The related inventory data (surface area, minimum and maximum altitude) and several other variables (e.g. slope, range) were calculated automatically by using a geographical information system. The length of the glacier flowline was mapped manually based on the glacier outlines at the maximum of the ‘Little Ice Age’ and the DTM. The glacier data during the maximum of the ‘Little Ice Age’ were compared with the Norwegian glacier inventory of 2003. Based on the glacier inventories during the maximum of the ‘Little Ice Age’, the 1980s and 2003, a simple parameterization after HAEBERLI & HOELZLE (1995) was performed to estimate unmeasured glacier variables, as e.g. surface velocity or mean net mass balance. Input data were composed of surface glacier area, minimum and maximum elevation, and glacier length. The results of the parameterization were compared with the results of previous parameterizations in the European Alps and the Southern Alps of New Zealand (HAEBERLI & HOELZLE 1995; HOELZLE et al. 2007). A relationship between these results of the inventories and of the parameterization and climate and climate changes was made. N2 - Die Gletscherumrisse während des Maximalstandes der „Kleinen Eiszeit“ in Jotunheimen wurden unter der Verwendung von Fernerkundungstechniken (vertikale Luftbilder und Satellitenbilder), von Gletscherumrissen aus den 1980er Jahren und von 2003, von einem digitalen Geländemodel (DTM), von geomorphologischen Karten einzelner Gletscher und von GPS-Messungen im Gelände kartiert. Die daraus erzielten Inventardaten (Gletscherfläche, minimale und maximale Höhe) und einige andere Variablen (z.B. Hangneigung, Höhendifferenz) wurden automatisch mit einem geographischen Informationssystem berechnet. Die Länge der Gletscherfließlinie wurde basierend auf den Gletscherumrissen zum Maximum der „Kleinen Eiszeit“ und dem DTM manuell kartiert. Die Gletscherdaten zum Maximalstand der „Kleinen Eiszeit“ wurden mit dem Gletscherinventar von 2003 verglichen. Basierend auf den letscherinventaren zum Maximum der „Kleinen Eiszeit“, von den 1980er Jahren und von 2003 wurde eine einfache Parametrisierung nach HAEBERLI & HOELZLE (1995) durchgeführt, um ungemessene Gletschervariablen, wie z.B. Oberflächengeschwindigkeit oder mittlere Netto-Massenbilanz, abzuschätzen. Eingabedaten bestanden aus Gletscherfläche, minimaler und maximale Höhe und der Gletscherlänge. Die Resultate der Parametrisierung wurden mit den Ergebnissen früherer Parametrisierungen aus den Europäischen Alpen und den Southern Alps auf Neuseeland verglichen (HAEBERLI & HOELZLE 1995; HOELZLE et al. 2007). Eine Verbindung zwischen diesen Ergebnissen aus den Inventaren und der Parametrisierung und dem Klima und der Klimaänderung wurde hergestellt. KW - Gletscher KW - Gletscherrückzug KW - Norwegen KW - Kleine Eiszeit KW - Inventar KW - Parametrisierung KW - Klimaänderung KW - Klima KW - Fernerkundung KW - Satellitenfernerkundung KW - Geoinformationssystem KW - glacier KW - Little Ice Age KW - Norway (South) KW - inventory KW - parameterization Y1 - 2009 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-46320 ER -